跳至主要內容
Ctrl+K
scikit-learn homepage scikit-learn homepage
  • 安裝
  • 使用者指南
  • API
  • 範例
  • 社群
    • 開始使用
    • 發布歷史
    • 詞彙表
    • 開發
    • 常見問題
    • 支援
    • 相關專案
    • 路線圖
    • 治理
    • 關於我們
  • GitHub
  • 安裝
  • 使用者指南
  • API
  • 範例
  • 社群
  • 開始使用
  • 發布歷史
  • 詞彙表
  • 開發
  • 常見問題
  • 支援
  • 相關專案
  • 路線圖
  • 治理
  • 關於我們
  • GitHub

章節導覽

  • 發布重點
    • scikit-learn 1.6 的發布重點
    • scikit-learn 1.5 的發布重點
    • scikit-learn 1.4 的發布重點
    • scikit-learn 1.3 的發布重點
    • scikit-learn 1.2 的發布重點
    • scikit-learn 1.1 的發布重點
    • scikit-learn 1.0 的發布重點
    • scikit-learn 0.24 的發布重點
    • scikit-learn 0.23 的發布重點
    • scikit-learn 0.22 的發布重點
  • 雙聚類
    • 譜雙聚類演算法的演示
    • 譜共聚類演算法的演示
    • 使用譜共聚類演算法對文件進行雙聚類
  • 校準
    • 分類器校準比較
    • 機率校準曲線
    • 三類分類的機率校準
    • 分類器的機率校準
  • 分類
    • 分類器比較
    • 具有共變異數橢圓的線性與二次判別分析
    • 用於分類的常態、Ledoit-Wolf 和 OAS 線性判別分析
    • 繪製分類機率
    • 辨識手寫數字
  • 分群
    • 手寫數字資料上的 K-Means 分群演示
    • 硬幣影像上的結構化 Ward 階層式分群演示
    • 均值漂移分群演算法的演示
    • 分群效能評估中的機會調整
    • 具有和不具有結構的聚合分群
    • 具有不同度量的聚合分群
    • K-Means++ 初始化範例
    • 二分 K-Means 和常規 K-Means 效能比較
    • 比較 BIRCH 和 MiniBatchKMeans
    • 比較玩具資料集上的不同分群演算法
    • 比較玩具資料集上的不同階層式連結方法
    • K-Means 和 MiniBatchKMeans 分群演算法比較
    • DBSCAN 分群演算法的演示
    • HDBSCAN 分群演算法的演示
    • OPTICS 分群演算法的演示
    • 親和力傳播分群演算法的演示
    • K-means 假設的示範
    • K-means 初始化影響的經驗評估
    • 特徵聚合
    • 特徵聚合 vs. 單變量選擇
    • 階層式分群：結構化 vs 非結構化 ward
    • 歸納分群
    • 線上學習臉部部分的字典
    • 繪製階層式分群樹狀圖
    • 將希臘硬幣圖片分割成區域
    • 使用 KMeans 分群的輪廓分析選擇聚類數
    • 用於影像分割的譜分群
    • 數字的 2D 嵌入上的各種聚合分群
    • 向量量化範例
  • 共變異數估計
    • Ledoit-Wolf vs OAS 估計
    • 穩健共變異數估計和馬氏距離相關性
    • 穩健 vs 經驗共變異數估計
    • 收縮共變異數估計：LedoitWolf vs OAS 和最大概似
    • 稀疏反向共變異數估計
  • 交叉分解
    • 比較交叉分解方法
    • 主成分迴歸 vs 偏最小平方法迴歸
  • 資料集範例
    • 繪製隨機產生的多標籤資料集
  • 決策樹
    • 決策樹迴歸
    • 繪製在虹膜資料集上訓練的決策樹的決策面
    • 使用成本複雜性修剪進行決策樹的後修剪
    • 了解決策樹結構
  • 分解
    • 使用 FastICA 的盲源分離
    • Iris 資料集的 LDA 和 PCA 2D 投影比較
    • 臉部資料集分解
    • 用於視覺化模式的因素分析（具有旋轉）
    • 2D 點雲上的 FastICA
    • 使用字典學習的影像去噪
    • 增量 PCA
    • 核心 PCA
    • 使用機率 PCA 和因素分析 (FA) 的模型選擇
    • 虹膜資料集上的主成分分析 (PCA)
    • 使用預先計算的字典進行稀疏編碼
  • 開發估計器
    • __sklearn_is_fitted__ 作為開發人員 API
  • 集成方法
    • 梯度提升中的類別特徵支援
    • 使用堆疊組合預測器
    • 比較隨機森林和直方圖梯度提升模型
    • 比較隨機森林和多輸出元估計器
    • 使用 AdaBoost 的決策樹迴歸
    • 梯度提升中的提前停止
    • 具有樹森林的特徵重要性
    • 使用樹集成進行特徵轉換
    • 直方圖梯度提升樹中的特徵
    • 梯度提升袋外估計
    • 梯度提升迴歸
    • 梯度提升正規化
    • 使用完全隨機樹的雜湊特徵轉換
    • IsolationForest 範例
    • 單調約束
    • 多類 AdaBoosted 決策樹
    • 隨機森林的袋外錯誤
    • 繪製 VotingClassifier 計算的類別機率
    • 繪製個別和投票迴歸預測
    • 繪製 VotingClassifier 的決策邊界
    • 繪製虹膜資料集上樹集成的決策面
    • 梯度提升迴歸的預測區間
    • 單一估計器與套袋法：偏差-變異數分解
    • 雙類 AdaBoost
  • 基於真實世界資料集的範例
    • 壓縮感知：使用 L1 先驗（Lasso）進行斷層掃描重建
    • 使用 eigenfaces 和 SVM 的臉部辨識範例
    • 使用核心 PCA 的影像去噪
    • 用於時間序列預測的滯後特徵
    • 模型複雜度影響
    • 文字文件離線分類
    • 真實資料集上的異常值偵測
    • 預測延遲
    • 物種分佈建模
    • 與時間相關的特徵工程
    • 使用非負矩陣分解和潛在狄利克雷分配的主題提取
    • 視覺化股票市場結構
    • 維基百科主特徵向量
  • 特徵選擇
    • F 檢定與互資訊的比較
    • 基於模型和循序特徵選擇
    • Pipeline ANOVA SVM
    • 遞迴特徵消除
    • 具有交叉驗證的遞迴特徵消除
    • 單變量特徵選擇
  • 凍結估計器
    • 使用 FrozenEstimator 的範例
  • 高斯混合模型
    • 變異數貝氏高斯混合的濃度先驗類型分析
    • 高斯混合的密度估計
    • GMM 初始化方法
    • GMM 共變異數
    • 高斯混合模型橢圓體
    • 高斯混合模型選擇
    • 高斯混合模型正弦曲線
  • 機器學習的高斯過程
    • 高斯過程迴歸 (GPR) 估計資料雜訊等級的能力
    • 比較核心嶺迴歸和高斯過程迴歸
    • 使用高斯過程迴歸 (GPR) 預測莫納羅亞資料集上的 CO2 水平
    • 高斯過程迴歸：基本入門範例
    • 虹膜資料集上的高斯過程分類 (GPC)
    • 離散資料結構上的高斯過程
    • XOR 資料集上高斯過程分類 (GPC) 的說明
    • 不同核心的先驗和後驗高斯過程的說明
    • 高斯過程分類 (GPC) 的等機率線
    • 高斯過程分類 (GPC) 的機率預測
  • 廣義線性模型
    • 比較線性貝氏迴歸器
    • 比較各種線上求解器
    • 使用貝氏嶺迴歸的曲線擬合
    • 多項式和一對其餘邏輯迴歸的決策邊界
    • 隨機梯度下降的提前停止
    • 使用預先計算的葛蘭矩陣和加權樣本擬合彈性網
    • 具有強異常值資料集上的 HuberRegressor vs 嶺迴歸
    • 使用多任務 Lasso 進行聯合特徵選擇
    • 邏輯迴歸中的 L1 懲罰和稀疏性
    • 用於稀疏訊號的基於 L1 的模型
    • 透過資訊標準進行 Lasso 模型選擇
    • Lasso 模型選擇：AIC-BIC / 交叉驗證
    • 密集和稀疏資料上的 Lasso
    • Lasso、Lasso-LARS 和彈性網路路徑
    • 邏輯函數
    • 使用多項式邏輯 + L1 的 MNIST 分類
    • 20newgroups 上的多類稀疏邏輯迴歸
    • 非負最小平方
    • 單類 SVM 與使用隨機梯度下降的單類 SVM
    • 普通最小平方範例
    • 普通最小平方和嶺迴歸變異數
    • 正交匹配追蹤
    • 繪製嶺係數作為正規化的函數
    • 繪製虹膜資料集上的多類 SGD
    • 泊松迴歸和非正常損失
    • 多項式和樣條插值
    • 分位數迴歸
    • L1 邏輯迴歸的正規化路徑
    • 嶺係數作為 L2 正規化的函數
    • 穩健線性估計器擬合
    • 使用 RANSAC 的穩健線性模型估計
    • SGD：最大邊際分離超平面
    • SGD：懲罰
    • SGD：加權樣本
    • SGD：凸損失函數
    • Theil-Sen 迴歸
    • 保險索賠的 Tweedie 迴歸
  • 檢查
    • 線性模型係數解釋中的常見陷阱
    • 機器學習無法推斷因果關係
    • 局部依賴和個別條件期望圖
    • 排列重要性 vs 隨機森林特徵重要性 (MDI)
    • 具有多重共線性或相關特徵的排列重要性
  • 核心近似
    • 具有多項式核心近似的可擴展學習
  • 流形學習
    • 流形學習方法比較
    • 斷裂球體上的流形學習方法
    • 手寫數字上的流形學習：局部線性嵌入、Isomap…
    • 多維縮放
    • 瑞士捲和瑞士孔洞縮減
    • t-SNE：各種 perplexity 值對形狀的影響
  • 其他
    • 使用局部依賴性的進階繪圖
    • 在玩具數據集上比較異常檢測演算法的離群值檢測能力
    • 核嶺迴歸與 SVR 的比較
    • 顯示管道 (Pipelines)
    • 顯示估算器和複雜管道
    • 離群值檢測估算器的評估
    • RBF 核的顯式特徵映射近似
    • 使用多輸出估算器進行臉部補全
    • 介紹 set_output API
    • 等張迴歸
    • 中繼資料路由
    • 多標籤分類
    • 使用視覺化 API 的 ROC 曲線
    • 使用隨機投影嵌入的 Johnson-Lindenstrauss 界限
    • 使用顯示物件進行視覺化
  • 遺失值填補
    • 在建立估算器之前填補遺失值
    • 使用 IterativeImputer 的變體來填補遺失值
  • 模型選擇
    • 平衡模型複雜度和交叉驗證分數
    • 使用類別似然比來衡量分類效能
    • 比較隨機搜尋和網格搜尋來進行超參數估計
    • 網格搜尋與連續減半的比較
    • 混淆矩陣
    • 使用交叉驗證的網格搜尋的自訂重新擬合策略
    • 在 cross_val_score 和 GridSearchCV 上演示多指標評估
    • 檢測錯誤權衡 (DET) 曲線
    • 模型正規化對訓練和測試誤差的影響
    • 多類別接收者操作特徵 (ROC)
    • 巢狀與非巢狀交叉驗證
    • 繪製交叉驗證預測
    • 繪製學習曲線並檢查模型的可擴展性
    • 決策函數事後調整截斷點
    • 針對成本敏感學習事後調整決策閾值
    • 精確度-召回率
    • 使用交叉驗證的接收者操作特徵 (ROC)
    • 用於文本特徵提取和評估的範例管道
    • 使用網格搜尋的模型統計比較
    • 連續減半迭代
    • 使用排列測試分類分數的顯著性
    • 欠擬合與過擬合
    • 視覺化 scikit-learn 中的交叉驗證行為
  • 多類別方法
    • 多類別訓練元估算器概述
  • 多輸出方法
    • 使用分類器鏈進行多標籤分類
  • 最近鄰
    • TSNE 中的近似最近鄰
    • 快取最近鄰
    • 比較使用和不使用鄰域成分分析的最近鄰
    • 使用鄰域成分分析進行降維
    • 物種分佈的核密度估計
    • 核密度估計
    • 最近質心分類
    • 最近鄰分類
    • 最近鄰迴歸
    • 鄰域成分分析說明
    • 使用局部離群值因子 (LOF) 進行新穎性檢測
    • 使用局部離群值因子 (LOF) 進行離群值檢測
    • 簡單的 1D 核密度估計
  • 神經網路
    • 比較 MLPClassifier 的隨機學習策略
    • 用於數字分類的受限玻爾茲曼機特徵
    • 多層感知器中不同的正規化
    • MNIST 上 MLP 權重的視覺化
  • 管道和複合估算器
    • 具有異質資料來源的 Column Transformer
    • 具有混合類型的 Column Transformer
    • 串聯多個特徵提取方法
    • 轉換迴歸模型中的目標值的影響
    • 管道化：連結 PCA 和邏輯迴歸
    • 使用管道和 GridSearchCV 選擇降維
  • 預處理
    • 比較不同縮放器對含離群值的數據的影響
    • 比較目標編碼器和其他編碼器
    • 展示 KBinsDiscretizer 的不同策略
    • 特徵離散化
    • 特徵縮放的重要性
    • 將數據映射到常態分佈
    • 目標編碼器的內部交叉擬合
    • 使用 KBinsDiscretizer 離散化連續特徵
  • 半監督分類
    • 半監督分類器與 Iris 數據集上 SVM 的決策邊界
    • 不同自我訓練閾值的影響
    • 標籤傳播數字主動學習
    • 標籤傳播數字：展示效能
    • 標籤傳播學習複雜結構
    • 文本數據集上的半監督分類
  • 支持向量機
    • 具有非線性核 (RBF) 的單類 SVM
    • 繪製具有不同 SVM 核的分類邊界
    • 繪製 iris 數據集中不同的 SVM 分類器
    • 繪製 LinearSVC 中的支持向量
    • RBF SVM 參數
    • SVM 邊距範例
    • SVM 平手破解範例
    • 具有自訂核的 SVM
    • SVM-Anova：具有單變量特徵選擇的 SVM
    • SVM：最大邊距分隔超平面
    • SVM：不平衡類別的分隔超平面
    • SVM：加權樣本
    • 縮放 SVC 的正規化參數
    • 使用線性核和非線性核的支持向量迴歸 (SVR)
  • 教學練習
    • 糖尿病數據集上的交叉驗證練習
    • 數字分類練習
    • SVM 練習
  • 使用文本文件
    • 使用稀疏特徵對文本文件進行分類
    • 使用 k-means 對文本文件進行群集
    • FeatureHasher 和 DictVectorizer 比較
  • 範例
  • 核心近似

核近似#

關於 sklearn.kernel_approximation 模組的範例。

具有多項式核心近似的可擴展學習

具有多項式核心近似的可擴展學習

上一頁

具有多重共線性或相關特徵的排列重要性

下一頁

使用多項式核近似的可擴展學習

© 版權所有 2007 - 2024，scikit-learn 開發人員 (BSD 許可)。